Guia de uso
Receitas de prompts para vídeo a partir de imagem do Kling 3.0 Omni: modelos prontos para copiar e colar para desenvolvedores
Estrutura de primeiro/último quadro, formulação de movimento de câmera, pistas de áudio nativo e lista negativa de estabilidade — com clipes reais gerados
Nesta página
Por que a estrutura do prompt importa mais que o comprimento
A maioria dos prompts de imagem para vídeo falha não porque são curtos demais, mas porque não têm ordem. Um texto que mistura descrição do sujeito, intenção de câmera, atmosfera sonora e instruções de correção não oferece ao modelo um mapeamento determinístico do texto para o movimento. Quando o clipe gerado dá errado, você não consegue identificar qual frase causou o problema — então não consegue corrigir, só regerar.
A solução prática é a disciplina de seções. Trate o prompt como um contrato fixo de cinco blocos, sempre na mesma ordem:
- Ancoragem de quadros — qual imagem é o quadro inicial, qual é o final e quão rígida é essa vinculação.
- Sujeito — quem ou o que está na cena e quais detalhes de identidade devem permanecer inalterados durante a transição.
- Movimento — o que muda fisicamente entre os dois quadros, expresso em termos temporais simples.
- Câmera — como o ponto de vista se move (ou permanece explicitamente estático).
- Áudio + negativo — pistas de som nativo e, depois, os modos de falha a suprimir.
Essa ordem acompanha a forma como o modelo interpreta as restrições: primeiro fixa os quadros, depois decide o que se move, em seguida decide onde o espectador está e, por fim, preenche a saída não visual. Colocar áudio e negativo no final significa que instruções sobre som ou correção não interferem no raciocínio visual.
Para equipes de engenharia, o retorno é a reprodutibilidade. Um esqueleto estável significa que o diff entre duas versões do prompt é legível: você alterou a linha da câmera, não o bloco inteiro. Isso também significa que os prompts se tornam parâmetros em vez de prosa — você pode transformá-los em templates, versioná-los e fazer testes A/B no pipeline, que é a direção construída nas próximas seções.
Comprimento é sintoma, não alavanca. Um prompt de 60 palavras escrito em ordem fixa supera um parágrafo de 200 palavras com adjetivos empilhados no início. Primeiro comprima cada prompt existente nesses cinco espaços e remova tudo o que não couber neles.
Receita base: esqueleto de prompt pronto para copiar e colar
A seguir está o esqueleto padrão. Cole-o, preencha o conteúdo entre colchetes e remova os espaços que você realmente não precisa — mas mantenha a ordem.
[FRAME ANCHOR]
Start frame: the provided image, preserved exactly.
End frame: [describe end state, or "none — open-ended continuation"].
Transition: [smooth continuous | single cut-free motion | holds start pose].
[SUBJECT]
[Subject identity + 2-3 invariant details that must not change].
[MOTION]
[What moves, direction, and how far — one sentence per moving element].
[CAMERA]
[Static locked-off shot | slow push-in | left-to-right pan | gentle orbit].
Pace: [slow and even | builds to a faster finish].
[AUDIO]
Ambience: [environment sound].
Music: [feel, not genre-name dropping].
Sync: [what the audio should land on].
[NEGATIVE]
flicker, morphing, warping text, extra limbs, identity drift
Um exemplo preenchido — tomada de produto de uma caneca de cerâmica no parapeito da janela:
[FRAME ANCHOR]
Start frame: the provided image, preserved exactly.
End frame: same cup, steam gone, light shifted warmer.
Transition: smooth continuous motion, no cuts.
[SUBJECT]
Matte white ceramic cup, thin dark rim, wooden windowsill.
[MOTION]
Steam thins and disappears over the shot; curtain edge drifts slightly.
[CAMERA]
Static locked-off shot, very slow push-in.
Pace: slow and even.
[AUDIO]
Ambience: quiet room tone, faint birds outside.
Music: soft, sparse, low volume.
Sync: birds chirp as steam vanishes.
[NEGATIVE]
flicker, morphing, warping text, extra limbs, identity drift
Executado via kling-3.0-omni/image-to-video, gera um clipe em que a caneca continua sendo uma caneca, a mudança é claramente perceptível e o áudio sustenta em vez de competir. Funciona porque cada oração faz apenas uma coisa: a ancoragem restringe a geometria, o sujeito protege a identidade, o movimento é a única coisa autorizada a mudar, a câmera é declarada e não implícita, e o negativo atua como um portão separado.
Mantenha dois hábitos: escreva o movimento em ordem cronológica ("afina e depois desaparece") e nunca deixe câmera e sujeito brigarem — se o sujeito caminha para a esquerda, não orbite rapidamente para a esquerda ao mesmo tempo, a menos que queira desestabilizar o enquadramento.
Disciplina dos espaços
Cada espaço deve conter apenas sua própria preocupação. Se você se pegar escrevendo "a câmera se aproxima lentamente enquanto o vapor da caneca se transforma em um pássaro", você fundiu câmera e movimento em uma única oração e perdeu a capacidade de ajustar qualquer um dos dois separadamente. Separe-os.
Receitas de primeiro e último quadro
Vídeo a partir de imagem com dois quadros é um problema de interpolação, não de geração. O trabalho do modelo é encontrar um caminho plausível entre dois estados fixos. A falha ocorre quando o prompt descreve uma cena em vez de uma transição — o modelo então reinterpreta o conteúdo e o ponto final deriva.
Receita: extremos rígidos, invenção mínima
Use quando ambos os quadros existem e você quer que o modelo os conecte literalmente.
Start frame: provided image, preserved exactly.
End frame: provided image, preserved exactly.
The clip must begin on the start frame and end on the end frame.
Do not introduce new subjects or objects. Only intermediate motion.
Transition: continuous, no cuts, no scene change.
Motion: [the single physical change that carries start to end].
Camera: static locked-off shot.
A frase-chave é apenas movimento intermediário. Ela diz ao modelo que os extremos são restrições, não sugestões. Declarar câmera estática remove outro grau de liberdade e torna a interpolação muito mais estável.
Receita: continuação aberta
Use quando você tem apenas o quadro inicial e quer uma extensão natural.
Start frame: provided image, preserved exactly.
End frame: none — open-ended continuation of the same scene.
Transition: continuous motion, same location, same lighting.
Motion: [primary action], resolving within the clip length.
Camera: [declared move].
Negative: scene change, new location, new characters.
Descreva o estado final quando não houver imagem final
Se não houver quadro final, mas você quiser um resultado direcional, descreva o estado final em termos de aparência, não de evento: "o líquido está parado, não flui mais", "a porta está totalmente aberta", "o vapor desapareceu". Estados visuais são verificáveis visualmente; descrições de eventos ("o personagem decide sair") induzem o modelo a inventar encenação.
Duas regras evitam a maioria das falhas de extremo:
- Declare explicitamente a permanência do quadro inicial. "Preservado exatamente" é mais forte que "use a imagem como referência".
- Mantenha o número de transições em uma. Se duas coisas precisam mudar, faça uma liderar e a outra seguir, escritas em sequência. Transições concorrentes são lidas como troca de cena, e o modelo regenera em vez de interpolar.
Formulação de movimento de câmera e ritmo
É aqui que prompts vagos costumam colapsar em deriva aleatória. A solução é nomear o movimento, o alvo e a velocidade para cada tomada — três palavras.
Movimentos com mapeamento claro
- Aproximação — "slow push-in toward [subject], centered." Previsível, adequado para revelações de produto e retrato.
- Afastamento — "slow pull-back revealing [context]." Use quando o quadro inicial for um detalhe.
- Panorâmica — "left-to-right pan across [scene], constant speed." Sempre informe direção e constância.
- Inclinação vertical — "gentle tilt up from [lower element] to [upper element]."
- Órbita — "slow orbit around [subject], subject stays centered." A órbita é a que mais falha; a oração de centralização evita que o sujeito saia do enquadramento.
- Estático — "static locked-off shot, no camera movement." Escreva mesmo que pareça óbvio.
Expresse ritmo sem números não verificáveis
Você não precisa adivinhar a contagem de quadros. Descreva o ritmo com advérbios que mapeiam para batidas: lento e uniforme, constante, acelera gradualmente até o final, assenta no último instante. Esses termos se traduzem em aceleração e desaceleração que combinam com o ritmo de vídeos curtos, sem exigir que você se comprometa com um instante que não pode medir.
Para o ritmo de vídeos curtos, o padrão confiável é um movimento de câmera por clipe. Uma aproximação que vira panorâmica e depois órbita parece um reel de demonstração, não uma tomada. Se precisar de um segundo movimento, ordene-os: "primeiro uma aproximação lenta, depois uma breve pausa".
Mantenha câmera e sujeito independentes
No prompt, sempre escreva em linhas separadas:
Camera: slow push-in toward the subject.
Pace: slow and even.
Motion: the subject turns slightly toward the camera.
Três linhas, três preocupações. Quando você as funde — "a câmera se aproxima enquanto o sujeito se vira" — perde a capacidade de mudar uma sem perturbar a outra, e pequenas edições produzem grandes flutuações imprevisíveis.
Por fim, declare o enquadramento quando for importante: "medium shot", "close-up", "wide establishing shot". O enquadramento é uma restrição barata que evita que o modelo recomponha no meio do clipe.
Dicas de áudio nativo
kling-3.0-omni/image-to-video gera áudio nativo junto com a imagem. O erro mais comum é misturar descrições de áudio nas frases de movimento, fazendo com que as pistas sonoras sejam lidas como instruções visuais. Coloque o áudio em seu próprio bloco e escreva apenas em termos sonoros.
Três espaços, sempre nesta ordem
Ambience: [continuous environment sound].
Music: [feel and density, not track names].
Sync: [what the audio should land on].
Ambiente é a base: ruído de sala, vento, zumbido da rua, água. Descreva-o como contínuo e em nível baixo, a menos que queira que se destaque.
Música deve ser descrita por sensação e densidade — "esparsa e suave", "pulso grave constante", "brilhante e leve". Nomear gêneros é mais fraco que descrever a textura, porque o modelo precisa mapear a frase para uma configuração sonora; adjetivos mapeiam de forma mais consistente que rótulos.
Sincronia é a ponte temporal. Nomeie um evento visual e o som que deve cair sobre ele: "um estalo leve quando a tampa fecha", "pássaros cantam quando o vapor desaparece". Um ou dois pontos de sincronia por clipe bastam. Além disso, o áudio fica movimentado demais e a imagem é puxada para corresponder a cada pista.
Pistas eficazes
- Início: "o som começa junto com o movimento" — bom para clipes de entrada.
- Fade-out: "o ambiente desaparece no final" — evita corte abrupto.
- Ênfase: "um impacto suave quando [objeto] cai".
- Contenção: "sem música, apenas ambiente" — uma escolha legítima e muitas vezes melhor.
Misture sem conflito
Se ambiente e música coexistem, declare a relação uma vez: "ambiente baixo, música por baixo". Isso custa uma oração e evita que as duas bases briguem.
Um alerta: não descreva áudio com onomatopeias ou nomes de efeitos sonoros. "Whoosh" e "ding" têm significados ambíguos em contextos diferentes. Descreva a fonte e a característica — "um sopro suave de tecido quando a cortina é levantada". O bloco de áudio deve soar como anotações de um designer de som, não como uma história em quadrinhos.
Lista negativa de estabilidade
O negativo é a camada de correção, não uma ferramenta criativa. Mantenha-o curto, direcionado e pronto para copiar e colar. A seguir está a lista base, seguida do modo de falha que cada termo visa.
flicker, morphing, warping text, extra limbs, identity drift,
scene change, jitter, frame tearing, duplicated objects
Modo de falha → termo
- Tremulação de brilho entre quadros →
flicker - Objeto derrete ou se funde entre quadros →
morphing - Letreiros e legendas distorcidos →
warping text - Mãos e membros se multiplicam ou colapsam →
extra limbs - Rosto ou identidade do produto muda no meio do clipe →
identity drift - Fundo regenerado como um novo local →
scene change - Microtremores em uma tomada que deveria ser estática →
jitter - Artefatos de borda nos limites dos quadros →
frame tearing - Objetos duplicados por desfoque de movimento →
duplicated objects
Negativos condicionais
Adicione estes apenas quando a falha realmente ocorrer — listas negativas longas demais diluem o efeito de cada termo:
- Para quadros com muito texto:
illegible text, scrambled letters - Para tomadas de produto:
shape distortion, color shift - Para retratos:
asymmetric face, warped eyes - Para câmera lenta:
sudden motion, pop-in
Use a lista como checklist
Trate-a como uma verificação pré-voo, não como acessório do prompt. Antes de rodar um lote de tarefas, pergunte a quais modos de falha sua cena está exposta. Tomadas estáticas de produto precisam de proteções contra tremulação e distorção de forma; sujeitos em movimento precisam de termos de deriva de identidade e membros; quadros com texto precisam de termos de texto. Para todo o resto, use a lista base.
Quando um clipe falhar, mude apenas uma coisa — adicione um negativo ou restrinja uma linha de movimento — e execute de novo. Editar cinco negativos de uma vez não permite saber qual deles funcionou.
Adapte a receita para um pipeline de API
Prompts que vivem em um notebook não escalam. O último passo é transformar o esqueleto em uma string modelada com variáveis, para que a receita possa ser versionada, revisada e executada em lote pela API do HiAPI.
Transforme o esqueleto em template
PROMPT = """[FRAME ANCHOR]
Start frame: the provided image, preserved exactly.
End frame: {end_frame}.
Transition: {transition}.
[SUBJECT]
{subject}
[MOTION]
{motion}
[CAMERA]
{camera}
Pace: {pace}.
[AUDIO]
Ambience: {ambience}.
Music: {music}.
Sync: {sync}.
[NEGATIVE]
{negatives}
"""
Cada variável é um espaço da receita. O template em si nunca muda — apenas as variáveis — o que significa que o diff do prompt é um diff de uma linha e as regressões podem ser rastreadas até um espaço específico.
Armazene a receita como dados
Armazene cada receita como um dicionário com nome e versão:
recipes = {
"product-static-v2": {
"end_frame": "none — open-ended continuation",
"subject": "matte white ceramic cup, thin dark rim",
"motion": "steam thins and disappears",
"camera": "static locked-off shot, very slow push-in",
"pace": "slow and even",
"ambience": "quiet room tone, faint birds",
"music": "soft, sparse, low volume",
"sync": "birds chirp as steam vanishes",
"negatives": "flicker, morphing, warping text, extra limbs, identity drift",
}
}
Dê nomes de versão significativos, não apenas números — product-static-v2 informa o que mudou; v2 não. Quando surgir uma nova falha, adicione uma nova versão em vez de editar no lugar, para que as saídas antigas permaneçam reproduzíveis.
Disciplina em lote
- Durante o ajuste, renderize apenas uma variável por vez. Só execute em lote depois que a receita estiver estável.
- Registre a string de prompt preenchida a cada saída. Sem isso, você não consegue atribuir um clipe ruim à causa.
- Mantenha uma base negativa compartilhada, que a receita estende, nunca substitui.
Onde a API se encaixa
A estrutura da receita é voltada ao modelo, portanto pode ser passada intacta para kling-3.0-omni/image-to-video no HiAPI: você envia as entradas de quadro mais a string de prompt renderizada, e a ordem das seções que você impõe no template é a ordem das seções que o modelo vê. Esse é o sentido do esqueleto — ele é ao mesmo tempo documentação legível por humanos e a string exata em produção.
Comece com uma receita, crie versões para ela e deixe os nomes das variáveis falarem. Para detalhes de endpoint e nomes de parâmetros, consulte a documentação da API do HiAPI.
Artigos relacionados
Ver todos os artigos →-
Guia de uso
Guia de introdução ao gpt-6.2-sol: limites de capacidade, integração via API e noções de precificação por token
Decisões de integração e pontos práticos para equipes de engenharia
-
Guia de uso
Guia de introdução ao gpt-6.2-astra: limites de capacidade do modelo de texto, pontos de integração e controle de custos
-
Guia de uso
Guia de introdução ao Tripo H3.1: três modos de entrada, parâmetros e como escolher o preço
Decisão de integração e controle de custos na geração 3D para desenvolvedores